我们考虑以持续的错误警报率（CFAR）学习检测器的问题。基于经典模型的复合假设检验解决方案对不完美的模型敏感，并且通常在计算上昂贵。相比之下，数据驱动的机器学习通常更强大，并产生具有固定计算复杂性的分类器。在许多应用中，学到的探测器通常没有CFAR。为了缩小这一差距，我们引入了CFARNET，其中损失函数受到惩罚，以在任何零假设的情况下促进检测器的类似分布。在具有一般高斯噪声的线性模型的情况下，渐近分析表明，经典的广义似然比检验（GLRT）实际上是CFAR约束贝叶斯风险的最小化器。合成数据和实际超光谱图像的实验表明，CFARNET导致近CFAR检测器的精度与竞争对手相似。
translated by 谷歌翻译
近年来，随着预审预周习惯的模型的越来越多，为特定的下游分类任务选择最佳的检查站的问题一直在增加注意力。尽管最近提出了几种方法来解决选择问题（例如LEEP，H-SCORE），但这些方法诉诸应用学习理论并非充分动机的启发式方法。在本文中，我们介绍了PACTRAN，这是一个理论上扎根的指标家族，用于验证模型选择和可传递性测量。我们首先展示了如何从转移学习设置下的最佳PAC-Bayesian界限中得出PACTRAN指标。然后，我们在许多视觉任务（VTAB）以及语言和视觉（OKVQA）任务上对PACTRAN的三个度量实例进行了经验评估。对结果的分析表明，与现有选择方法相比，PACTRAN是一种更一致和有效的可传递性度量。
translated by 谷歌翻译
计算机愿景中的分类问题很常见。尽管如此，啤酒瓶的分类没有专门的工作。作为主课程深度学习挑战的一部分，创建了一个5207啤酒瓶图像和品牌标签的数据集。图像恰好包含一个啤酒瓶。在本文中，我们提出了一个深入的学习模式，将啤酒瓶的图片分为两步的方法。作为第一步，Faster-R-CNN检测与品牌独立于分类相关的图像部分。在第二步中，相关图像部分由Reset-18分类。具有最高置信度的图像部分作为类标签返回。我们提出了一种模型，我们超越了经典的一步转移学习方法，并在最终测试数据集的挑战期间达到了99.86％的准确性。在挑战结束后，我们能够达到100％的准确性
translated by 谷歌翻译
自Covid-19大流行开始以来，研究人员已经开发了深入的学习模式，以分类Covid-19诱导的肺炎。与许多医学成像任务一样，可用数据的质量和数量通常是有限的。在这项工作中，我们在公开的Covid-19图像数据上培训深入学习模型，并评估当地医院胸部X射线数据的模型。这些数据已被两个放射科医师审查和标记，以确保模型的泛化能力的高质量估算。此外，我们正在使用生成的对抗网络来基于该数据生成合成X射线图像。我们的结果表明，使用这些用于数据增强的合成图像可以显着提高模型的性能。这可能是许多稀疏数据域的有希望的方法。
translated by 谷歌翻译
人工智能（AI）为简化Covid-19诊断提供了有前景的替代。然而，涉及周围的安全和可信度的担忧阻碍了大规模代表性的医学数据，对临床实践中训练广泛的模型造成了相当大的挑战。为了解决这个问题，我们启动了统一的CT-Covid AI诊断计划（UCADI），其中AI模型可以在没有数据共享的联合学习框架（FL）下在每个主机机构下分发和独立地在没有数据共享的情况下在每个主机机构上执行。在这里，我们认为我们的FL模型通过大的产量（中国测试敏感性/特异性：0.973 / 0.951，英国：0.730 / 0.942），与专业放射科医师的面板实现可比性表现。我们进一步评估了持有的模型（从另外两家医院收集，留出FL）和异构（用造影材料获取）数据，提供了模型所做的决策的视觉解释，并分析了模型之间的权衡联邦培训过程中的性能和沟通成本。我们的研究基于来自位于中国和英国的23家医院的3,336名患者的9,573次胸部计算断层扫描扫描（CTS）。统称，我们的工作提出了利用联邦学习的潜在保留了数字健康的前景。
translated by 谷歌翻译
如果我们曾经超越了理论神经科学的孤立特殊情况的研究之外，我们需要在给定的神经模型上开发更通用的神经电路理论。本文认为在连续时间复发神经网络（CTRNNS）的背景下，这是一种简单但动态的通用模型，其在计算神经科学和神经网络中被广泛利用。在这里，我们在CTRNN中的CODIMINUS-1局部分叉的参数空间结构上扩展了先前的工作，以包括CODIMENICE-2局部分叉歧管。具体地，我们为一般CTRNNS推导出所有通用本地Codiminension-2分叉的必要条件，专门化这些条件到含有一至四个神经元的电路，详细说明将这些条件应用于示例电路，导出闭合形式的表达式。这些分叉歧管可以在可能的情况下，并证明该分析如何允许我们发现和追踪源自剪切2分叉的几个全球编纂-1分叉歧管。
translated by 谷歌翻译
基于云的机器学习服务（CMLS）使组织能够利用大量数据预先培训的先进模型。然而，使用这些服务的主要缺点是难以保持传输的数据私密和安全。不对称加密需要在云中解密数据，而同性恋加密通常太慢并且难以实现。我们提出了一种通过去卷积（OWSD）的一种方式扰乱（OWSD），一种基于去卷积的加扰框架，其提供了在计算开销的一小部分处的同态加密的优点。当CMLS的输出向量足够大时，对多个图像数据集的广泛评估演示了OWSD实现接近完美分类性能的能力。此外，我们还提供了对我们方法的稳健性的实证分析。
translated by 谷歌翻译